基于深度学习超声模型对乳腺癌分子分型与新辅助治疗早期最佳疗效时机的预测

doi:10.3969/j.issn.1006-5725.2026.09.003

摘要/Abstract

摘要：

目的本研究旨在构建一个基于时序的超声深度学习模型，以期在乳腺癌新辅助治疗（neoadjuvant therapy，NAT）前无创预测乳腺癌分子分型，明确NAT早期超声评估疗效的最佳时机。方法纳入广州市第一人民医院接受完整NAT的乳腺癌患者176例，根据模型的两个目标将患者分成两组：176例（用于分型预测）和167例（用于疗效预测），收集其病理学结果及系列超声图像，根据免疫组化将肿瘤分为四种分子分型；根据术后病理的Miller-Payne分级将疗效分为显著缓解及无显著缓解。采用U-Net-Efficient-Net-B0混合架构建模，并引入“分割引导注意力”机制（SegAttend-Net），通过分析治疗前及NAT早期不同时期肿瘤随的声像图变化，深度提取特征，从而实现对分子分型及NAT疗效的预测。采用Clopper-Pearson精确法和Bootstrap法计算模型预测指标的置信区间，用Benjamini-Hochberg法进行多重对比校正模型在各治疗周期中对疗效预测的各性能指标，通过混淆矩阵及性能指标时序变化图评估模型效能。结果在分子分型预测任务中，模型对Luminal A型、Luminal B型、HER-2过表达型和三阴型预测准确率为82%、88%、72%和96%。在疗效预测任务中，预测的准确率从第1治疗周期的71%提升至第4治疗周期的80%，敏感度从0.14提升至0.79，并且在第3 — 4治疗周期的预测中其敏感度的提升具有统计学意义。结论该研究构建的U-Net-EfficientNet-B0混合模型能够在NAT前有效预测乳腺癌分子分型，并在NAT早期对疗效评估展现出临床实用价值，其中以第4治疗周期对疗效预测的效果最佳。

关键词: 超声预测模型, 乳腺癌, 新辅助治疗, 分子分型, 疗效预测

Abstract:

Objective This study aimed to develop a longitudinal deep learning ultrasound model to achieve two objectives： non-invasive prediction of breast cancer molecular subtypes prior to neoadjuvant therapy（NAT） and identification of the optimal timing for early efficacy assessment during NAT. Methods We enrolled 176 breast cancer patients from Guangzhou First People's Hospital who completed the full NAT course. The cohort was stratified into two analysis subsets： 176 patients for molecular subtyping and 167 for treatment response evaluation. Pathological data and serial ultrasound images were collected. Tumors were categorized into four molecular subtypes via immunohistochemistry. Treatment response was classified as "significant" or "non-significant" based on postoperative Miller-Payne grading. We employed a hybrid U-Net-EfficientNet-B0 architecture integrated with a segmentation-guided attention mechanism （SegAttend-Net）. The model leveraged pre-treatment images and dynamic sonographic feature changes across early NAT stages to predict molecular subtypes and therapeutic response. Confidence intervals were calculated using Clopper-Pearson exact and Bootstrap methods. Performance metrics across treatment cycles were adjusted for multiple comparisons using the Benjamini–Hochberg procedure. Evaluation utilized confusion matrices and longitudinal performance trajectories. Results In molecular subtyping， the model achieved accuracies of 82% （Luminal A）， 88% （Luminal B）， 72% （HER2-overexpressing）， and 96% （triple-negative）. For efficacy prediction， overall accuracy increased from 71% at cycle 1 to 80% at cycle 4， while sensitivity improved markedly from 0.14 to 0.79. The sensitivity improvement between the 3rd and 4th cycles was statistically significant. Conclusions The developed SegAttend-Net model demonstrates efficacy in pre-NAT molecular subtyping and holds clinical value for early efficacy assessment， with optimal predictive performance observed at the fourth treatment cycle.

Key words: ultrasound prediction model, breast cancer, neoadjuvant therapy, molecular subtyping, treatment efficacy prediction

中图分类号:

R737.9

罗为尧,范誉铧,黎一夫,陈娟,邓勇杰,柳建华,胡志文,马穗红. 基于深度学习超声模型对乳腺癌分子分型与新辅助治疗早期最佳疗效时机的预测[J]. 实用医学杂志, 2026, 42(9): 1501-1510.

Weiyao LUO,Yuhua FAN,Yifu LI,Juan CHEN,Yongjie DENG,Jianhua LIU,Zhiwen HU,Suihong MA. Predicting molecular subtyping and optimal early response assessment in breast cancer neoadjuvant therapy： A deep learning ultrasound approach[J]. The Journal of Practical Medicine, 2026, 42(9): 1501-1510.

图/表 10

图1

图2

图3

图4

表1

分子分型预测及疗效预测研究中训练集与验证集的患者和临床特征比较 (例（%）)"

临床及病理信息	研究目标一（预测分子分型）		t/χ²值	P值	研究目标二（预测疗效）		t/χ²值	P值
临床及病理信息	训练集（n = 127）	验证集（n = 49）	t/χ²值	P值	训练集（n = 118）	验证集（n = 49）	t/χ²值	P值
年龄（x ± s）/岁	53.97 ± 9.01	53.78 ± 11.16	0.11	0.905	54.25 ± 9.88	53.61 ± 9.30	0.40	0.698
位置			2.19	0.139			1.28	0.258
左	72 （56.7）	21 （42.9）			66 （55.9）	22 （44.9）
右	55 （43.3）	28 （57.1）			52 （44.1）	27 （55.1）
分子分型			-	0.593			0.43	0.418
Luminal A型	39 （30.7）	17 （34.7）			38 （32.2）	16 （32.7）
Luminal B型	37 （29.1）	17 （34.7）			37 （31.4）	15 （30.6）
HER-2过表达型	39 （30.7）	10 （20.4）			35 （29.7）	11 （22.4）
三阴型	12 （9.4）	5 （10.2）			8 （6.8）	7 （14.3）
MP分级				-			1.71	0.789
G1	-	-			21 （17.8）	9 （18.4）
G2	-	-			22 （18.6）	12 （24.5）
G3	-	-			30 （25.4）	14 （28.6）
G4	-	-			15 （12.7）	4 （8.2）
G5	-	-			30 （25.4）	10 （20.4）
疗效判定				-			1.00	0.318
无显著缓解	-	-			73 （61.9）	35 （71.4）
显著缓解	-	-			45 （38.1）	14 （28.6）
边界（治疗前）			13.80	0.001			9.76	0.008
清楚	8 （6.3）	13 （26.5）			9 （7.6）	10 v20.4）
尚清	68 （53.5）	20 （40.8）			66 （55.9）	16 （32.7）
模糊	51 （40.2）	16 （32.7）			43 （36.4）	23 （46.9）
纵横比（治疗前）			0.77	0.380			0.001	0.970
< 1	80 （63.0）	35 （71.4）			75 （63.6）	32 （65.3）
> 1	47 （37.0）	14 （28.6）			43 （36.4）	17 （34.7）
形态（治疗前）			-	0.269			-	0.187
不规则	54 （42.5）	21 （42.9）			50 （42.4）	21 （42.9）
成角	48 （37.8）	21 （42.9）			49 （41.5）	15 （30.6）
蟹足	0 （0.0）	1 （2.0）			0 （0.0）	1 （2.0）
蟹足，成角	25 （19.7）	6 （12.2）			19 （16.1）	12 （24.5）
内部回声（治疗前）			2.77	0.096			8.64	0.003
不均匀	91 （71.7）	28 （57.1）			72 （61.0）	42 （85.7）
低回声	36 （28.3）	21 （42.9）			46 （39.0）	7 （14.3）
肿瘤大小—长径（治疗前）（x ± s）/mm	37.42 ± 22.78	32.21 ± 16.83	1.66	0.148	34.62 ± 20.76	39.04 ± 22.61	1.18	0.224
肿瘤大小—厚径（治疗前）（x ± s）/mm	24.36 ± 15.22	22.89 ± 12.78	0.65	0.550	23.93 ± 15.90	25.16 ± 11.93	0.55	0.626

表1

表2

图5

表3

图6

图7

参考文献 29

[1]	WANG X， XIA C， WANG Y， et al. Landscape of young breast cancer under 35 years in China over the past decades： A multicentre retrospective cohort study （YBCC-Catts study）［J］. E Clin Med， 2023， 64： 102243. doi： 10.1016/j.eclinm.2023.102243 . doi: 10.1016/j.eclinm.2023.102243
[2]	LIU C， SUN L， NIU N， et al. Molecular classification of hormone receptor-positive /HER2-positive breast cancer reveals potential neoadjuvant therapeutic strategies［J］. Signal Trans Target Ther， 2025， 10（1）：97. doi： 10.1038/s41392-025-02181-3 . doi: 10.1038/s41392-025-02181-3
[3]	DENKERT C， RACHAKONDA S， KARN T， et al. Dynamics of molecular heterogeneity in high-risk luminal breast cancer-From intrinsic to adaptive subtyping［J］. Cancer Cell， 2025， 43（2）：232-247.e4. doi： 10.1016/j.ccell.2025.01.002 . doi: 10.1016/j.ccell.2025.01.002
[4]	ZHANG R Z， LIU D， KE Y， et al. A study on the impact of neoadjuvant therapy on molecular subtype conversion in breast cancer［J］. World J Surg Oncol， 2025， 23（1）：155. doi： 10.1186/s12957-025-03801-6 . doi: 10.1186/s12957-025-03801-6
[5]	WANG S， LIU J， SONG L， et al. Integrative multimodal ultrasound and radiomics for early prediction of neoadjuvant therapy response in breast cancer： A clinical study［J］. BMC cancer， 2025， 25（1）：1156. doi： 10.1186/s12885-025-14556-4 . doi: 10.1186/s12885-025-14556-4
[6]	WANG F， WANG Y， XIONG B， et al. Neoadjuvant pyrotinib and trastuzumab in HER2-positive breast cancer with no early response （NeoPaTHer）： Efficacy， safety and biomarker analysis of a prospective， multicentre， response-adapted study［J］. Signal Trans Target Ther， 2025， 10（1）：45. doi： 10.1038/s41392-025-02138-6 . doi: 10.1038/s41392-025-02138-6
[7]	WANG J， CHU Y， WANG B， et al. A Narrative Review of Ultrasound Technologies for the Prediction of Neoadjuvant Chemotherapy Response in Breast Cancer［J］. Cancer Manag Res， 2021， 13：7885-7895. doi： 10.2147/CMAR.S331665 . doi: 10.2147/CMAR.S331665
[8]	FU Y， ZHOU J， LI J. Diagnostic performance of ultrasound-based artificial intelligence for predicting key molecular markers in breast cancer： A systematic review and meta-analysis［J］. PloS One， 2024， 19（5）：e0303669. doi： 10.1371/journal.pone.0303669 . doi: 10.1371/journal.pone.0303669
[9]	XIE J， WEI J， SHI H， et al. A deep learning approach for early prediction of breast cancer neoadjuvant chemotherapy response on multistage bimodal ultrasound images［J］. BMC Med Imag， 2025， 25（1）：26. doi： 10.1186/s12880-024-01543-7 . doi: 10.1186/s12880-024-01543-7
[10]	ZHANG Y， XIAN M， CHENG H D， et al. BUSIS： A Benchmark for Breast Ultrasound Image Segmentation［J］. Healthcare， 2022， 10（4）：729. doi： 10.3390/healthcare10040729 . doi: 10.3390/healthcare10040729
[11]	LIU X， ZHOU L， CAI M， et al. Hybrid adaptive attention deep supervision-guided U-Net for breast lesion segmentation in ultrasound computed tomography images［J］. Med Bio Eng Comput， 2025. doi： 10.1007/s11517-025-03377-z . doi: 10.1007/s11517-025-03377-z
[12]	HUANG Y， YAO Z， LI L， et al. Deep learning radiopathomics based on preoperative US images and biopsy whole slide images can distinguish between luminal and non-luminal tumors in early-stage breast cancers［J］. EBio Med， 2023， 94：104706. doi： 10.1016/j.ebiom.2023.104706 . doi: 10.1016/j.ebiom.2023.104706
[13]	FU Y， CHEN H J， ZHANG H， et al. Integrating multimodal ultrasound imaging and machine learning for predicting luminal and non-luminal breast cancer subtypes［J］. Front Oncol， 2025， 15：1558880. doi： 10.3389/fonc.2025.1558880 . doi: 10.3389/fonc.2025.1558880
[14]	GU J， TONG T， XU D， et al. Deep learning radiomics of ultrasonography for comprehensively predicting tumor and axillary lymph node status after neoadjuvant chemotherapy in breast cancer patients： A multicenter study［J］. Cancer， 2023， 129（3）：356-366. doi： 10.1002/cncr.34540 . doi: 10.1002/cncr.34540
[15]	HUANG J X， LU Y， TAN Y T， et al. Elastography-based AI model can predict axillary status after neoadjuvant chemotherapy in breast cancer with nodal involvement： A prospective， multicenter， diagnostic study［J］. Int J Surg， 2025，111（1）：221-229. doi： 10.1097/JS9.0000000000002105 . doi: 10.1097/JS9.0000000000002105
[16]	张欣然，沈燕，胡姣姣，等.联合临床及超声多参数构建列线图预测人表皮生长因子受体2阳性乳腺癌的应用价值［J］. 实用医学杂志， 2025， 41 （18）： 2812-2819. doi： 10.3969/j.issn.1006-5725.2025.18.005 . doi: 10.3969/j.issn.1006-5725.2025.18.005
[17]	农盛，李湛雄，张琪，等. 可解释反向传播神经网络在预测前哨淋巴结1 ~ 2枚阳性乳腺癌患者腋窝淋巴结负荷中的价值［J］. 实用医学杂志， 2026， 42 （1）： 45-55. doi： 10.3969/j.issn.1006-5725.2026.01.006 . doi: 10.3969/j.issn.1006-5725.2026.01.006
[18]	ZENG Q， LIU L， HE C， et al. Early and noninvasive prediction of response to neoadjuvant therapy for breast cancer via longitudinal ultrasound and MR deep learning： A multicentre study ［J］. Acad Radiol， 2025， 32（3）：1264-1273. doi： 10.1016/j.acra.2024.10.033 . doi: 10.1016/j.acra.2024.10.033
[19]	THOMAS J， MALLA L， SHIBWABO B. Advances in analytical approaches for background parenchymal enhancement in predicting breast tumor response to neoadjuvant chemotherapy： A systematic review［J］. PloS one， 2025， 20（3）：e0317240. doi： 10.1371/journal.pone.0317240 . doi: 10.1371/journal.pone.0317240
[20]	DU S， XIE W， GAO S， et al. Early prediction of neoadjuvant therapy response in breast cancer using MRI-based neural networks： data from the ACRIN 6698 trial and a prospective Chinese cohort［J］. Breast Cancer Res， 2025， 27（1）：52. doi： 10.1186/s13058-025-02009-6 . doi: 10.1186/s13058-025-02009-6
[21]	段玉灵，周雪枝，李永义，等. 不同MRI测量方式评估乳腺癌新辅助治疗疗效的临床价值［J］. 实用医学杂志， 2025， 41 （14）： 2152-2159. doi： 10.3969/j.issn.1006-5725.2025.14.005 . doi: 10.3969/j.issn.1006-5725.2025.14.005
[22]	QI X， WANG W， PAN S， et al. Predictive value of triple negative breast cancer based on DCE-MRI multi-phase full-volume ROI clinical radiomics model［J］. Acta Radiol， 2024， 65（2）：173-184. doi： 10.1177/02841851231215145 . doi: 10.1177/02841851231215145
[23]	WU J， GE L， JIN Y， et al. Development and validation of an ultrasound-based radiomics nomogram for predicting the luminal from non-luminal type in patients with breast carcinoma［J］. Front Oncol， 2022， 12：993466. doi： 10.3389/fonc.2022.993466 . doi: 10.3389/fonc.2022.993466
[24]	ZHOU L， WU Y， WEN X， et al. Prediction model for assessing HER2 status patient with invasive ductal carcinoma based on clinical parameters and ultrasound features： A dual-center study［J］. BMC Women Health， 2025， 25（1）：291. doi： 10.1186/s12905-025-03828-7 . doi: 10.1186/s12905-025-03828-7
[25]	TONG Y， WEI Y， SUN P， et al. An ultrasound-based model for predicting the response to neoadjuvant chemotherapy in early stage triple negative breast cancer patients［J］. BMC medical imaging， 2025， 25（1）：275. doi： 10.1186/s12880-025-01818-7 . doi: 10.1186/s12880-025-01818-7
[26]	LIU S， DU S， GAO S， et al. A delta-radiomic lymph node model using dynamic contrast enhanced MRI for the early prediction of axillary response after neoadjuvant chemotherapy in breast cancer patients［J］. BMC cancer， 2023， 23（1）：15. doi： 10.1186/s12885-022-10496-5 . doi: 10.1186/s12885-022-10496-5
[27]	PAUWELS P， VAN DAM P A. The immune microenvironment characterisation and dynamics in hormone receptor-positive breast cancer before and after neoadjuvant endocrine therapy［J］. Cancer Med， 2023， 12（17）：17901-17913. doi： 10.1002/cam4.6425 . doi: 10.1002/cam4.6425
[28]	JING B， WANG J. A two-stage dual-task learning strategy for early prediction of pathological complete response to neoadjuvant chemotherapy for breast cancer using dynamic contrast-enhanced magnetic resonance images［J］. Physics Med Biol， 2025， 70（14）：145030. doi： 10.1088/1361-6560/adee73 . doi: 10.1088/1361-6560/adee73
[29]	LEE D N， LI Y， OLSSON L T， et al. Image analysis-based identification of high risk ER-positive， HER2-negative breast cancers［J］. Breast Cancer Res， 2024， 26（1）：177. doi： 10.1186/s13058-024-01915-5 . doi: 10.1186/s13058-024-01915-5

分子分型	准确率（95%CI）	特异度（95%CI）	敏感度（95%CI）	PPV（95%CI）	NPV（95%CI）
Luminal A型	0.82 (0.68 ~ 0.91)	0.81 (0.64 ~ 0.93)	0.82 (0.57 ~ 0.96)	0.70 (0.46 ~ 0.88)	0.90 (0.73 ~ 0.98)
Luminal B型	0.88 (0.75 ~ 0.95)	0.97 (0.84 ~ 1.00)	0.71 (0.44 ~ 0.90)	0.92 (0.64 ~ 1.00)	0.86 (0.71 ~ 0.95)
HER-2过表达型	0.78 (0.63 ~ 0.88)	0.82 (0.67 ~ 0.93)	0.60 (0.26 ~ 0.88)	0.46 (0.19 ~ 0.75)	0.89 (0.74 ~ 0.97)
三阴型	0.96 (0.86 ~ 1.00)	1.00 (0.92 ~ 1.00)	0.60 (0.15 ~ 0.95)	1.00 (0.29 ~ 1.00)	0.96 (0.85 ~ 1.00)

阶段	准确率（95%CI）	特异度（95%CI）	敏感度（95%CI）	PPV（95%CI）	NPV（95%CI）
1—2（参照组）	0.71 (0.57 ~ 0.83)	0.94 (0.81 ~ 0.99)	0.14 (0.02 ~ 0.43)	0.50 (0.07 ~ 0.93)	0.73 (0.58 ~ 0.85)
1—3	0.76 (0.61 ~ 0.87)	0.86 (0.70 ~ 0.95)	0.50 (0.23 ~ 0.77)	0.58 (0.28 ~ 0.85)	0.81 (0.65 ~ 0.92)
1—4	0.78 (0.63 ~ 0.88)	0.80 (0.63 ~ 0.92)	0.71 (0.42 ~ 0.92)^*	0.59 (0.33 ~ 0.82)	0.88 (0.71 ~ 0.97)
1—5	0.80 (0.66 ~ 0.90)	0.80 (0.63 ~ 0.92)	0.79 (0.49 ~ 0.95)^*	0.61 (0.36 ~ 0.83)	0.90 (0.74 ~ 0.98)